はじめに
農業DXやスマート農業の文脈では、収量予測、栽培管理、施肥・灌水判断、気候リスク評価などにデータを活用する取り組みが増えています。
その中で重要な考え方の一つが、作物モデルです。
作物モデルとは、気象、土壌、品種、栽培管理などの条件をもとに、作物の生育、発育、バイオマス形成、収量形成などを表現するモデルです。
単に「AIで収量を予測する」というよりも、作物がどのような環境・管理条件で成長するのかを整理し、条件を変えた場合のシナリオ比較や意思決定支援に使う考え方です。
たとえば、次のような問いに対して、作物モデルは検討材料を与えることができます。
- 播種日・定植日を変えた場合、生育ステージはどう変わるか
- 降水量や灌水量が変わると、水ストレスはどう変わるか
- 品種を変えた場合、開花・成熟・収量形成にどのような違いが出るか
- 気候条件が変化した場合、収量や水利用はどの程度影響を受けるか
- 実証実験では、どのデータを取るべきか
一方で、作物モデルは万能な収量予測器ではありません。
入力データ、品種パラメータ、土壌条件、栽培管理履歴、検証データが不足している場合、結果の解釈には注意が必要です。
本記事では、作物モデルの基礎理論、代表的なモデル、実際の活用例、農業DXで使う際の注意点を、論文ベースで整理します。
作物モデルとは何か
作物モデルとは、作物の生育や収量形成を数理的・シミュレーション的に表現するモデルです。
多くの作物モデルでは、気象、土壌、品種、栽培管理などの条件を入力し、作物の発育、生育量、水利用、収量などを出力します。
作物モデルは、一般に次のような要素を扱います。
| 要素 | 例 |
|---|---|
| 気象 | 気温、日射量、降水量、湿度、風速 |
| 土壌 | 土性、保水性、土壌水分、窒素、有効土層 |
| 作物・品種 | 発育速度、開花、成熟、バイオマス配分 |
| 栽培管理 | 播種日、定植日、施肥、灌水、栽植密度 |
| 出力 | 生育ステージ、バイオマス、葉面積、収量、水ストレス |
作物モデルは、単に過去データから収量を当てるものではありません。
作物の生理的なプロセスや、土壌・水・気象との関係をモデル化し、条件を変えた場合にどのような変化が起こり得るかを検討するために使われます。
このようなモデルは、圃場で起きている現象を完全に再現するものではありません。
しかし、現場データや研究知見と組み合わせることで、栽培管理や実証実験を考えるための共通言語になります。
作物モデルが扱う主な入力データ
作物モデルを使うには、対象作物だけでなく、環境条件や管理履歴を整理する必要があります。
気象データ
気象データは、作物モデルの基本的な入力です。
代表的な項目は次のとおりです。
| 項目 | 役割 |
|---|---|
| 気温 | 発育速度、開花、成熟、ストレス評価に関係 |
| 日射量 | 光合成、バイオマス形成に関係 |
| 降水量 | 土壌水分、水ストレスに関係 |
| 湿度 | 蒸発散や病害リスク評価に関係する場合がある |
| 風速 | 蒸発散の計算に関係する場合がある |
気温は、積算温度や発育速度の計算に使われることがあります。
日射量は、光合成やバイオマス形成を考えるうえで重要です。
降水量は、土壌水分や水ストレスに影響します。
土壌データ
土壌条件も、作物モデルの結果に大きく影響します。
| 項目 | 役割 |
|---|---|
| 土性 | 砂質、壌土、粘土など。保水性や排水性に関係 |
| 有効土層 | 根が利用できる土壌深さに関係 |
| 保水性 | 作物が利用できる水分量に関係 |
| 初期土壌水分 | シミュレーション開始時の水分状態 |
| 窒素 | 生育量や収量形成に関係する場合がある |
土壌データが不足している場合、モデルの結果は大きく不確実になります。
特に、水ストレスや窒素ストレスを扱う場合は、土壌条件の整理が重要です。
作物・品種データ
同じ作物でも、品種によって発育速度、開花、成熟、バイオマス配分などが異なります。
作物モデルでは、品種特性をパラメータとして扱うことがあります。
たとえば、次のような情報です。
- 発芽から開花までの期間
- 開花から成熟までの期間
- 温度に対する発育反応
- バイオマスの配分
- 収穫指数
- 水ストレスへの感受性
品種パラメータが適切でない場合、モデルの出力は実測と合わなくなる可能性があります。
栽培管理データ
作物モデルでは、実際の栽培管理も重要な入力です。
| 項目 | 例 |
|---|---|
| 播種・定植 | 播種日、定植日 |
| 栽植密度 | 株数、条間、株間 |
| 施肥 | 施肥日、施肥量、肥料の種類 |
| 灌水 | 灌水日、灌水量、灌水ルール |
| 収穫 | 収穫日、収量、品質 |
栽培管理履歴が曖昧なままモデルを使うと、結果の解釈が難しくなります。
農業DXで作物モデルを使う場合、まずは「どのデータが記録されているか」を確認することが重要です。
作物モデルで表現する主なプロセス
作物モデルは、作物の生育をいくつかのプロセスに分けて表現します。
代表的なプロセスは次のとおりです。
フェノロジー
フェノロジーとは、発芽、開花、成熟など、作物の発育ステージの進み方を扱う考え方です。
多くの場合、気温や日長などが関係します。
たとえば、気温が高いと発育が早まり、開花や成熟の時期が変わることがあります。
バイオマス形成
バイオマスとは、作物体の乾物量のことです。
作物モデルでは、日射量や葉面積、光利用効率などを使って、作物がどの程度のバイオマスを形成するかを表現する場合があります。
葉面積展開
葉面積は、光を受け取る面積に関係します。
葉面積が大きくなると、光合成に使える日射量が増える一方で、水消費も増える可能性があります。
作物モデルでは、葉面積指数、つまりLAIを扱うことがあります。
蒸散・土壌水分
水は作物生育に大きく影響します。
土壌水分が不足すると、水ストレスによって生育が抑制される場合があります。
AquaCropは、FAOが開発した作物成長モデルで、草本作物の水に対する収量応答をシミュレーションし、水が生産を制限する条件に適していると説明されています。
収量形成
最終的な収量は、発育、バイオマス、ストレス、収穫指数などの影響を受けます。
作物モデルでは、単に最終収量を出すだけでなく、どの条件が収量形成に影響しそうかを考えるためにも使われます。
AI・機械学習による収量予測との違い
作物モデルとAI・機械学習による収量予測は、対立するものではありません。
ただし、考え方には違いがあります。
| 観点 | 作物モデル | AI・機械学習による予測 |
|---|---|---|
| 主な考え方 | 作物生理や環境応答をモデル化する | 過去データからパターンを学習する |
| 入力 | 気象、土壌、品種、栽培管理など | 過去データ、センサー、画像、気象など |
| 強み | 条件を変えたシナリオ比較に使いやすい | 大量データから複雑なパターンを捉えやすい |
| 注意点 | パラメータ、構造、入力データに依存する | 学習データの範囲外に弱い場合がある |
| 実務上の使い方 | 仮説検討、栽培条件比較、実証設計 | 予測、分類、異常検知、傾向把握 |
AI・機械学習は、過去データに基づいて予測パターンを学習します。
一方、作物モデルは、気象、土壌、品種、栽培管理と作物生理の関係を明示的に扱うことが多いです。
そのため、作物モデルは「なぜその条件で収量が変わるのか」を考えるうえで有用です。
ただし、作物モデルも完全な説明を与えるわけではありません。
モデル構造、入力データ、パラメータ、検証条件に結果が依存します。
近年は、作物モデルと機械学習を組み合わせる研究もあります。
たとえば、APSIMのシミュレーション変数を機械学習モデルの入力に加えることで、米国コーンベルトのトウモロコシ収量予測を改善できるかを検討した研究もあります。
代表的な作物モデル：DSSAT・APSIM・AquaCrop
作物モデルには多くの種類があります。
ここでは、代表的なモデルとしてDSSAT、APSIM、AquaCropを取り上げます。
DSSAT
DSSATは、Decision Support System for Agrotechnology Transferの略です。
DSSAT-CSMは、土壌、作物、気象、管理などのモジュールを組み合わせ、作物生産システムをシミュレーションするための枠組みとして整理されています。
Jonesらは、DSSAT Cropping System Modelについて、土壌、作物、気象、管理などの科学分野ごとに構成要素を分け、モジュールの追加や置き換えを行いやすい設計として説明しています。
DSSATは、複数作物や複数シーズンのシミュレーション、栽培管理の比較、リスク評価などに使われてきました。
ただし、対象作物、品種、土壌、管理条件に合わせた入力データやパラメータの整理が必要です。
APSIM
APSIMは、Agricultural Production Systems sIMulatorの略です。
農業生産システムを扱うモジュール型のシミュレーションモデルとして発展してきました。
Holzworthらは、APSIMが農業景観の変化を探索するためのフレームワークとして発展し、遺伝子発現から複数圃場を含む農場規模まで、幅広いモデルを含む枠組みになってきたと整理しています。
APSIMは、作物単体だけでなく、土壌、作物、管理、農業システム全体を扱う文脈で使われます。
そのため、作付体系、土壌水分、窒素、管理条件、気候変動影響評価などの検討にも使われます。
AquaCrop
AquaCropは、FAOが開発した作物成長モデルです。
水利用と収量応答に焦点を当てたモデルとして知られています。
FAOは、AquaCropを、環境と管理が作物生産に与える影響を評価し、水が生産を制限する条件で草本作物の収量応答をシミュレーションするモデルとして説明しています。
Stedutoらは、AquaCropの基本概念と原理を整理し、水に対する収量応答を扱うFAOの作物モデルとして説明しています（Steduto et al., 2009）。
水不足、灌水管理、水利用効率を検討する場合、AquaCropは候補になりやすいモデルです。
作物モデルで解けるビジネス課題
作物モデルは、農業系企業の実務課題にも応用できます。
ただし、ここでいう「解ける」とは、必ず正確な答えを出すという意味ではありません。
条件を整理し、シナリオを比較し、意思決定の材料を作るという意味です。
| ビジネス課題 | 作物モデルで検討できること |
|---|---|
| 収量予測 | 気象・土壌・管理条件を踏まえた収量の見通し |
| 施肥管理 | 施肥量・施肥時期を変えた場合の生育差 |
| 灌水管理 | 水ストレスや水利用効率の比較 |
| 品種比較 | 品種パラメータの違いによる発育・収量の差 |
| 作期検討 | 播種日・定植日を変えた場合の影響 |
| 気候リスク評価 | 高温、干ばつ、降水変動の影響 |
| 実証実験設計 | どの条件を比較し、どのデータを取るべきか |
たとえば、農業資材メーカーであれば、資材効果を評価する実証試験の設計に活用できる可能性があります。
種苗会社であれば、品種ごとの環境応答を整理する際の考え方として使えます。
施設園芸企業であれば、温度、日射、灌水、施肥の関係を整理するためのシミュレーションとして検討できます。
食品・流通企業であれば、気象条件による収量変動リスクを把握し、調達計画の検討材料にできる場合があります。
作物モデルのメリット
作物モデルのメリットは、単なる予測値だけでなく、条件を変えた場合の比較に使いやすいことです。
条件比較がしやすい
作物モデルでは、播種日、灌水量、施肥量、気象条件などを変えたシナリオを比較できます。
現実の圃場試験では、すべての条件を試すことは難しいです。
作物モデルを使うことで、実証実験の前に仮説を絞り込むことができます。
作物生理に基づいた議論がしやすい
作物モデルでは、発育、バイオマス、水ストレス、収量形成などのプロセスを扱います。
そのため、単に「収量が上がる・下がる」だけでなく、どのような生育過程で差が生じているのかを考えやすくなります。
データ取得計画を立てやすい
作物モデルを使うには、気象、土壌、品種、栽培管理、収量などのデータが必要です。
そのため、モデル活用を前提に考えると、「今後どのデータを記録すべきか」が整理しやすくなります。
農業DXの共通言語になりやすい
農業DXでは、現場、研究、経営、システム開発の関係者が同じデータを見ながら議論する必要があります。
作物モデルは、気象、土壌、栽培管理、生育、収量をつなぐ枠組みとして、関係者間の共通言語になり得ます。
作物モデルの限界・注意点
作物モデルには限界もあります。
入力データが不足すると結果が不安定になる
気象データや収量データはあっても、土壌水分、施肥履歴、灌水履歴、品種パラメータが不足している場合があります。
この場合、モデルの出力は大きな仮定に依存します。
品種パラメータの設定が難しい
作物モデルでは、品種ごとの発育特性や収量形成特性をパラメータとして扱うことがあります。
しかし、企業や現場で扱う品種について、十分なパラメータが整っているとは限りません。
現場管理履歴が曖昧なことがある
実際の圃場では、予定と異なる施肥や灌水、作業の遅れ、病害虫、設備不具合などが発生します。
こうした管理履歴が記録されていない場合、モデル結果と実測値の差を解釈しにくくなります。
モデル構造そのものに仮定がある
作物モデルは、現実の圃場を完全に再現するものではありません。
モデルごとに、どのプロセスを詳しく扱うか、どのプロセスを単純化するかが異なります。
したがって、モデルの出力は「正解」ではなく、仮定に基づくシミュレーション結果として扱う必要があります。
不確実性の評価が必要になる
気候変動影響評価のような長期的な検討では、気象シナリオ、モデル構造、入力データ、品種応答など多くの不確実性があります。
White et al.は、気候変動が作物生産に与える影響を調べる作物シミュレーションモデル研究をレビューし、モデル間比較やデータ資源整備が予測限界の把握に重要であると指摘しています。
農業DXで使う前に確認すべきこと
作物モデルを農業DXで使う前に、次の点を確認するとよいでしょう。
| チェック項目 | 確認内容 |
|---|---|
| 対象作物 | どの作物・品種を対象にするか |
| 目的 | 収量予測、灌水判断、品種比較、実証設計など何をしたいか |
| 気象データ | 気温、日射量、降水量などが取得できるか |
| 土壌データ | 土性、保水性、土壌水分などがあるか |
| 栽培管理データ | 播種日、施肥、灌水、収穫日が記録されているか |
| 検証データ | 収量、生育量、葉面積、土壌水分などの実測値があるか |
| パラメータ | 品種パラメータを設定・調整できるか |
| 検証方法 | モデル結果をどのデータで確認するか |
| 運用方法 | 誰が更新し、どの判断に使うか |
| 限界説明 | どこまで言えて、どこからは言えないかを整理しているか |
このチェックリストを見ると分かるように、作物モデルの活用は、モデル名を選ぶだけでは始まりません。
むしろ、最初に必要なのは、現場で取得できるデータと、判断したい業務課題の整理です。
まとめ：作物モデルは予測だけでなく、条件比較と意思決定支援に使う
作物モデルは、気象、土壌、品種、栽培管理などの条件をもとに、作物の生育や収量形成を表現するモデルです。
単なる収量予測AIではなく、作物生理や環境応答を整理し、条件を変えた場合のシナリオ比較に使える点が特徴です。
代表的な作物モデルには、DSSAT、APSIM、AquaCropなどがあります。
DSSATは、作物モデルを農学研究や意思決定支援へ適用する代表的なシステムとして発展してきました。
APSIMは、農業生産システムを扱うモジュール型シミュレーションモデルとして使われています。
AquaCropは、水利用と収量応答に焦点を当てたFAOの作物モデルです。
一方で、作物モデルは万能ではありません。
入力データ、品種パラメータ、土壌条件、栽培管理履歴、検証データが不足している場合、結果の解釈には注意が必要です。
重要なのは、作物モデルを「正解を出す道具」として使うのではなく、仮説検討、条件比較、実証実験設計、意思決定支援の材料として使うことです。
参考文献
- Jones et al. 2003. The DSSAT cropping system model. European Journal of Agronomy. Vol. 18. Issue 3-4. pp. 235-265. https://doi.org/10.1016/S1161-0301(02)00107-7
- Holzworth et al. 2014. APSIM – Evolution towards a new generation of agricultural systems simulation. Environmental Modelling and Software. Vol. 62. pp. 327-350. https://doi.org/10.1016/j.envsoft.2014.07.009
- Steduto et al. 2009. AquaCrop—The FAO Crop Model to Simulate Yield Response to Water: I. Concepts and Underlying Principles. Agronomy Journal. Vol. 101. Issue 3. pp. 426-437. https://doi.org/10.2134/agronj2008.0139s
- Raes et al. 2009. AquaCrop—The FAO Crop Model to Simulate Yield Response to Water: II. Main Algorithms and Software Description. Agronomy Journal. Vol. 101. Issue 3. pp. 438-447. https://doi.org/10.2134/agronj2008.0140s
- White et al. 2011. Methodologies for simulating impacts of climate change on crop production. Field Crops Research. Vol. 124. Issue 3. pp. 357-368. https://doi.org/10.1016/j.fcr.2011.07.001
- Jones et al. 2017. Brief history of agricultural systems modeling. Agricultural Systems. Vol. 155. pp. 240-254. https://doi.org/10.1016/j.agsy.2016.05.014
- Jones et al. 2017. Toward a new generation of agricultural system data, models, and knowledge products: State of agricultural systems science. Agricultural Systems. Vol. 155. pp. 269-288. https://doi.org/10.1016/j.agsy.2016.09.021
